论文部分内容阅读
现如今行人识别技术在智能监控、车辆辅助驾驶系统、智能交通等领域有着重要的商业价值和应用前景。然而,行人的姿态、运动、场景遮挡以及光照变化等因素都会对行人识别的准确率产生影响。本文针对上述问题展开研究,旨在提高行人识别的准确率。主要研究内容概括如下:(1)基于支持向量机的行人识别:采用线性支持向量机(SVM)做分类器,将Gabor小波和梯度方向直方图(HOG)融合作为样本特征。首先对原始图像做Gabor小波变换,然后对所得图像进行方向和尺度上的融合得到Gabor特征图像,接着对特征图像提取HOG特征,完成对图像G-HOG特征的提取,最后通过SVM进行训练从而实现行人的识别。(2)基于二维BP神经网络的行人识别:许多数据通常以矩阵形式表示,而传统的前馈神经网络(FNNs)是基于向量输入的,在使用时必须将这些矩阵数据分解为向量形式,因此使得原始矩阵中元素之间的信息容易丢失。为此提出了一种二维反向传播算法(2D-BP)来训练二维前馈神经网络(2D-FNNs)用于行人识别,并采用随机梯度下降学习该网络中的所有权值,最终通过该算法学习的网络模型有效保留了原始二维矩阵数据的结构,有利于行人识别。(3)两种行人识别算法的实验结果分析:将基于支持向量机的行人识别算法与其他算法在行人数据库上进行对比实验,结果表明:提取图像的G-HOG特征能更好的表征行人,利用SVM训练得到的分类器在行人姿态与背景多样化的数据库上表现出较高查全率。将基于二维BP神经网络的行人识别算法在标准数据库上反复论证实验参数,并与其他算法进行对比实验,结果表明:该算法能从大量的训练样本中选出判别能力较强的特征,经过调参之后模型更加稳定,从而在数据集上表现出较高准确率。(4)视频序列中的行人识别:通过对两种行人识别算法的实验结果进行分析后发现:针对视频序列中的行人,可以采用一种基于级联分类器的行人识别算法。首先使用SVM训练的分类器进行检测,保存行人疑似区域,然后使用二维BP神经网络在此基础上进一步识别以提高准确率。实验结果表明,该算法无论是在行人数据库中还是在实际场景下拍摄的视频序列中,都能够在保证检测速率的情况下有效提高准确率。